【技术实现步骤摘要】
本公开涉及图像处理
，尤其涉及一种识别图像清晰度的方法及装置。
技术介绍
图像清晰度评估一直是图像处理领域的一项重要内容，在图像的压缩、通信、打印、显示、重建、增强等领域有着较为广泛的应用。通常，用户有很多图像，需要图像识别算法识别出哪些图像更清晰，进而可以进行排序或删除等操作。由于用户图像各式各样，清晰度评估算法会面临各种场景，而传统的图像识别方法很难做到兼顾各种场景。例如，对于背景虚化图像，传统的图像识别方法很难判断出其是清晰图片还是模糊照片。因此，迫切需要提供一种有效的识别图像清晰度的方法，以适应各种场景下图像的清晰度识别。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种识别图像清晰度的方法及装置。根据本公开实施例的第一方面，提供一种识别图像清晰度的方法，包括：采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。在一实施...
【技术保护点】
一种识别图像清晰度的方法，其特征在于，所述方法包括：采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结果；分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结果和边缘图像处理结果；将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述待识别图像的清晰度；其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图像清晰度的模型。
【技术特征摘要】
1.一种识别图像清晰度的方法，其特征在于，所述方法包括：
采用第一卷积神经网络对待识别图像的感兴趣区域和边缘图像进行识别，
得到感兴趣区域识别结果和至少一个边缘图像识别结果；
分别对所述感兴趣区域识别结果和所述至少一个边缘图像识别结果进行
调整，得到感兴趣区域处理结果和边缘图像处理结果；
将所述待识别图像、所述感兴趣区域处理结果和所述边缘图像处理结果
输入第二卷积神经网络，得到所述待识别图像的清晰度；
其中，所述第一卷积神经网络为预先训练获得的用于识别图像感兴趣区
域和边缘图像的模型；所述第二卷积神经网络为预先训练获得的用于获得图
像清晰度的模型。
2.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述方
法还包括：
对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经网络；
所述对所述第一待训练的卷积神经网络进行模型训练获得第一卷积神经
网络，包括：
计算卷积特征值，包括将待识别图像样本及其标定的感兴趣区域和标定
的边缘图像输入到第一待训练的卷积神经网络的卷积层进行处理，得到卷积
特征值；
计算损失函数值，包括将所述卷积特征值输入到所述第一待训练的卷积
神经网络的损失函数层进行损失函数计算，得到损失函数值；
当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行
调整，迭代计算所述卷积特征值和所述损失函数值，直至迭代次数达到预设
次数，获得所述第一卷积神经网络。
3.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述对
所述感兴趣区域识别结果进行调整，得到感兴趣区域处理结果，包括：
将所述感兴趣区域识别结果缩放到所述待识别图像的大小；
对缩放后的感兴趣区域识别结果进行平滑滤波处理，得到所述感兴趣区
域处理结果。
4.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述对
所述至少一个边缘图像识别结果进行调整，得到边缘图像处理结果，包括：
将所述至少一个边缘图像识别结果均缩放到所述待识别图像的大小；
计算缩放后至少一个边缘图像识别结果对应的灰度值矩阵的平均值，根
据所述平均值获得所述边缘图像处理结果。
5.根据权利要求1所述的识别图像清晰度的方法，其特征在于，所述方
法还包括：
对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经网络；
所述对所述第二待训练的卷积神经网络进行模型训练获得第二卷积神经
网络，包括：
计算卷积特征值，包括将待识别图像样本及其感兴趣区域处理结果、边
缘图像处理结果和预设的图像样本的清晰度分数输入到第二待训练的卷积神
经网络的卷积层进行处理，得到所述卷积特征值；
计算全连接特征值，包括将所述卷积特征值输入到所述第二待训练的卷
积神经网络的全连接层进行计算，得到全连接特征值；
计算损失函数值，包括将所述全连接特征值输入到所述第二待训练的卷
积神经网络的损失函数层进行损失函数计算，得到损失函数值；
当所述损失函数值小于上一次获得的损失函数值时，对所述卷积层进行
调整，迭代计算所述卷积特征值、所述全连接特征值和所述损失函数值，直
至迭代次数达到预设次数，获得所述第二卷积神经网络。
6.根据权利要求2或5所述的识别图像清晰度的方法，其特征在于，所
述损失函数包括感兴趣区域损失函数和边缘图像损失函数。
7.一种识别图像清晰度的装置，其特征在于，所述装置包括：
识别模块，被配置为采用第一卷积神经网络对待识别图像的感兴趣区域
\t和边缘图像进行识别，得到感兴趣区域识别结果和至少一个边缘图像识别结
果；
调整模块，被配置为分别对所述识别模块识别得到的所述感兴趣区域识
别结果和所述至少一个边缘图像识别结果进行调整，得到感兴趣区域处理结
果和边缘图像处理结果；
获得模块，被配置为将所述待识别图像、所述调整模块得到的所述感兴
趣区域处理结果和所述边缘图像处理结果输入第二卷积神经网络，得到所述
待识别图像的清晰度；
其中，所述第一卷积神经网络为预先训...
【专利技术属性】
技术研发人员：王百超，陈志军，侯文迪，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。